| 附表 | 第5-8页 |
| 摘要 | 第8-9页 |
| Abstract | 第9页 |
| 1 绪论 | 第10-14页 |
| 1.1 课题背景 | 第10-12页 |
| 1.1.1 人脸检测的研究背景 | 第10-11页 |
| 1.1.2 人脸检测国内外研究现状 | 第11-12页 |
| 1.2 本文研究的意义 | 第12页 |
| 1.3 本文组织 | 第12-14页 |
| 2 人脸检测概述 | 第14-24页 |
| 2.1 人脸检测简介 | 第14-19页 |
| 2.1.1 人脸检测概念 | 第14页 |
| 2.1.2 人脸检测发展史 | 第14-16页 |
| 2.1.3 人脸检测技术存在的主要问题与发展趋势 | 第16-18页 |
| 2.1.4 人脸检测技术指标 | 第18-19页 |
| 2.2 人脸检测方法研究 | 第19-24页 |
| 2.2.1 基于几何特征的人脸检测方法 | 第19-20页 |
| 2.2.2 基于肤色模型的方法 | 第20页 |
| 2.2.3 基于统计理论的方法 | 第20-23页 |
| 2.2.4 人脸检测方法总结 | 第23-24页 |
| 3 基于Adaboost算法的人脸检测 | 第24-37页 |
| 3.1 Boost 类迭代算法 | 第24页 |
| 3.2 Adaboost 算法 | 第24-28页 |
| 3.2.1 Adaboost 算法的基本原理 | 第25-27页 |
| 3.2.2 Adaboost 算法的误差分析 | 第27-28页 |
| 3.3 Haar-like 特性和积分图 | 第28-31页 |
| 3.3.1 Haar-like 特性 | 第28-29页 |
| 3.3.2 积分图 | 第29-31页 |
| 3.4 分类器 | 第31-34页 |
| 3.4.1 弱分类器 | 第31页 |
| 3.4.2 强分类器 | 第31-33页 |
| 3.4.3 级联分类器 | 第33-34页 |
| 3.5 基于 Adaboost 算法的人脸检测 | 第34-36页 |
| 3.6 本章小结 | 第36-37页 |
| 4 基于肤色的人脸检测 | 第37-44页 |
| 4.1 概述肤色分割识别人脸技术 | 第37页 |
| 4.2 肤色模型 | 第37页 |
| 4.3 肤色区域分割 | 第37-38页 |
| 4.4 色彩空间表示 | 第38-44页 |
| 4.4.1 RGB 色彩空间 | 第38-39页 |
| 4.2.2 rgb 色彩空间 | 第39-40页 |
| 4.4.3 YUV 色彩空间 | 第40页 |
| 4.4.4 YCbCr 色彩空间 | 第40-41页 |
| 4.4.5 HSV 颜色模型 | 第41-42页 |
| 4.4.6 色彩空间知识小结 | 第42-44页 |
| 5 基于Adaboost算法和肤色分割的人脸检测算法 | 第44-65页 |
| 5.1 肤色信息和 Adaboost 算法结合的系统设计 | 第44-45页 |
| 5.2 基于肤色的人脸图像处理 | 第45-51页 |
| 5.2.1 图像预处理 | 第45-47页 |
| 5.2.2 肤色建模 | 第47-49页 |
| 5.2.3 肤色分割 | 第49-51页 |
| 5.3 构建基于 Adaboost 算法分类器 | 第51-55页 |
| 5.3.1 训练弱分类器 | 第52-53页 |
| 5.3.2 构建强分类器 | 第53-54页 |
| 5.3.4 设计瀑布型分类器 | 第54-55页 |
| 5.4 选择开发语言 | 第55-56页 |
| 5.5 基于肤色及 Adaboost 算法的人脸检测算法实验结果及分析 | 第56-65页 |
| 5.5.1 单目标检测结果及分析 | 第56-58页 |
| 5.5.2 双目标检测结果及分析 | 第58-61页 |
| 5.5.3 多目标检测结果及分析 | 第61-65页 |
| 6 总结与展望 | 第65-67页 |
| 6.1 总结 | 第65页 |
| 6.2 展望 | 第65-67页 |
| 参考文献 | 第67-73页 |
| 致谢 | 第73页 |
